기계 학습 기술을 사용하여 순환 주식에 투자

이번에는 순환주에 대한 투자에 대해 계속해서 생각해 보겠습니다이전글 제28호(이하 이전글이라 약칭함)반도체 부문을 타깃으로 하며, 반도체 출하 주기를 이용해 SOX 지수 투자 시기를 전환하는 모델을 고려하고 있다 이번에는 지난번 개별주에 투자하던 방식을 경기순환산업이기도 한 기계 업종을 대상으로 확대해보겠습니다

1 투자전략 개요

먼저, 업계 전반을 살펴보기 위해 일본공작기계공업협회[1]에서 월간 발표하는 공작기계 총 주문 동향을 살펴보겠습니다 연간 수주금액 비교를 보면 약 4년 간격으로 주기적 변동이 있는 것을 알 수 있다

전체 공작기계 주문량: 작년 동월 대비

산업 경제가 주기적으로 변동한다는 사실은 기계 부문 실적에 최고점과 최저점이 있을 수 있으며 주가의 주기적 변동이 발생할 가능성이 있음을 의미합니다

그러나 업계 전체에 경기 사이클이 있다고 하더라도 모든 기업의 성과가 동시에 변동한다고 가정하는 것은 시기상조입니다 기계 부문에는 다양한 제품과 비즈니스 모델을 갖춘 광범위한 비즈니스 범주의 회사가 포함됩니다

예를 들어, 주문을 받은 후 판매 기록까지 짧은 기간이 있는 소형 기계와 같은 품목을 취급하는 회사나 공작 기계 자체에 사용되는 부품을 자체적으로 취급하는 회사는 공작 기계 주문 주기에 상대적으로 근접하여 성과의 최고점과 최저점을 경험할 수 있습니다 반면, 플랜트 등 대규모 생산 설비를 취급하는 제조업체의 경우 주문 접수부터 제품 배송까지의 리드타임이 길어지므로 주문 주기보다 조금 늦게 사업 성과의 변화가 발생할 가능성이 높습니다

즉, 기계 주문의 경기주기 단계에 따라 실적을 확대하고 주가를 상승시킬 주식이 달라질 가능성이 있습니다 이 가설이 맞다면 공작기계 수주주기상 위치에 따라 해당 단계에서 사업성과 확대가 기대되고 주가도 우호적인 종목에 투자하면 업계 평균 이상의 수익률을 얻을 수도 있을 것이다

공작기계 주문 데이터를 이용한 브랜드 선택 모델

2 기초 데이터를 이용한 모델(공작기계 주문)

이제부터는 위의 아이디어를 실천하기 위해 지난번에 사용했던 방법을 확장하여 개별 주식 선택에 적용하겠습니다 투자 대상은 TSE Prime Market(또는 TSE 1부)에 상장된 기계산업에 속하는 주식입니다

이 모델은 3단계로 주식을 선택합니다

첫 번째 단계는 공작 기계 주문이 현재 움직임과 유사하게 움직인 과거 상황을 식별하는 것입니다

다음으로, 두 번째 단계에서는 금기 및 유사한 과거 공작기계 주문 기간에 주가가 비슷한 패턴으로 움직인 주식 그룹으로 투자 후보를 좁힙니다

3단계에서는 압축된 종목의 과거 주가 패턴을 이용하여 현재 예상 투자수익률을 추정하고 실제 투자할 종목을 결정합니다

매월 재고를 변경하려면 매월 말에 이 단계를 반복하십시오 다음은 자세한 단계별 지침입니다

주식 선정 과정

21 공작기계 주문의 유사한 측면 식별

먼저, 전년 대비 공작기계 수주 변화에 대해 투자 시점부터 지난 48개월 동안의 시계열을 추출하겠습니다 공작기계 주문 데이터는 투자 시점에 이용 가능한 것으로 가정됩니다 예를 들어 데이터 공개에 시차가 있기 때문에 2024년 12월 말 현재 사용 가능한 최신 데이터는 2024년 11월 현재가 됩니다 따라서 해당 데이터는 2020/12년부터 2024/11년까지 48개월입니다

다음으로, 시작점을 한 달씩 이동하여 추출된 시계열 이후 48개월의 데이터를 추출하여 시계열 샘플 그룹을 생성합니다 각 샘플 기간에 대해 대상 단계와의 유사성 정도를 계산합니다 유사성은이전 보고서와 같은 방법으로 DTW로 측정합니다

현재 비즈니스 주기와 유사한 단계 식별

그런 다음 DTW 값이 작은(높은 유사성) 샘플의 상위 10%는 유사한 상황으로 간주됩니다

22 공작기계 수주 유사 단계에서 유사한 주가 패턴을 보이는 종목 파악

다음으로, 투자할 각 주식에 대해 공작기계 주문과 유사한 상황에서 현재 주가 패턴과 주가 패턴 사이의 DTW를 계산합니다

이해하기가 조금 어렵기 때문에 구체적인 예를 보여드리겠습니다 2024년 12월말을 기준으로 투자결정을 하신 경우, 현재 공작기계 수주자료는 위에서 말씀드린대로 2020년 12월부터 2024년 11월까지의 자료입니다 2008/12에서 2012/11 및 2014/12에서 2018/11의 두 가지 유사한 상황이 있다고 가정합니다

이 경우에 해당하는 주가 기간을 고려하십시오 참고로 주가에는 발표시차가 없으므로 현 기간에 해당하는 기간은 2021/1~2024/12이고, 유사한 상황에 해당하는 기간은 2009/1~2012/12, 2015/1~2018/12이다 이 두 기간과 2021/1~2024/12에 대한 DTW를 각각 계산합니다

그러나 주가 수준 차이의 영향을 조정하기 위해 1로 설정된 기간의 시작 값을 기준으로 DTW를 계산합니다

그런 다음 두 DTW의 평균은 해당 주식의 평균 유사도로 간주됩니다 가치가 작은 주식이란 공작기계 주문이 비슷한 기간 동안 비슷한 패턴으로 주가가 움직이는 주식을 의미한다

투자할 주식 중 평균 유사성이 가장 낮은(가장 높은 유사성) 상위 50%가 실제 투자 후보가 됩니다

23 투자주 선정

마지막으로 후보에 오른 각 투자 후보 주식에 투자할 경우 예상 수익을 예측하세요

구체적인 예를 들어, 윗줄의 평균 유사성을 계산하는 데 사용된 유사한 상황에 대한 샘플 데이터로 다음 달 수익률을 사용합니다 그런 다음 다음 달 수익률의 평균을 예상 수익률로 취합니다

투자후보종목 중 기대수익률이 가장 높은 상위 10개 종목에 균등하게 투자합니다

전체 종목 선정 과정은 그림과 같이 요약할 수 있습니다 매월 말에 이 절차를 반복하여 매월 재고를 변경합니다

주가정보를 이용한 주식선정모델

3 주가 정보만 사용하는 모델

비교 목적으로 주가 정보만을 사용하여 주식을 선택하는 모델도 조사합니다

구체적으로 특정 투자 시점을 기준으로 지난 48개월 동안의 이전 주가에서 유사한 상황 그룹을 추출합니다 공작기계 주문 모델과 유사하게 DTW가 작은(높은 유사성) 상위 10% 샘플은 유사한 상황으로 간주됩니다 그러나 지수 수준 차이의 영향을 조정하기 위해 기간 초에 1로 표준화된 값 간의 유사성을 계산합니다

그런 다음 유사한 기간에 대한 다음 달 수익률의 평균을 취하여 이를 투자 시점의 예상 수익률 추정치로 사용하십시오 그런 다음 기대 수익률이 가장 높은 상위 10개 주식에 동일한 가중치로 투자합니다

매월 말에 위 단계를 반복하고 매달 주식을 변경합니다

시뮬레이션 결과 및 요약

4 시뮬레이션 결과 및 고려사항

위 두 모델에 대한 투자 결과는 다음과 같습니다

전략 성과

먼저, 주가정보만을 활용하는 모델에 집중해보면 기계주가지수보다 수익률이 더 높은 것을 알 수 있습니다 그 이유는 기계 업종의 많은 주식이 경기 사이클을 따르고 과거와 유사한 주가 패턴으로 움직이는 경향이 있기 때문입니다 이 속성에 주목하고 과거의 주가 패턴을 활용함으로써 개별종목과 투자시기를 성공적으로 선택할 수 있었고, 이는 기계주가지수 대비 초과수익률 획득으로 이어졌다고 할 수 있다

한편, 공작기계 주문 데이터를 활용한 모델이 주가 정보만을 활용한 모델보다 수익률이 더 높은 것을 알 수 있습니다 주가를 변동시키는 요인은 경기주기에 따른 변동 외에도 다양하며, 그 중 일부에는 소음을 발생시키는 요인도 포함되어 있는 것으로 생각됩니다 펀더멘털 데이터를 활용함으로써 노이즈에 영향을 받지 않고 보다 적절한 종목과 투자 시기를 파악할 수 있었고, 이로 인해 주가 모델보다 높은 수익률을 얻을 수 있었다고 할 수 있습니다

참고자료/사이트

• [1]일본공작기계공업협회:통계정보(공작기계 통계)
• [2] 에일린 닐슨; Kuniko Yamazaki 및 Yasuhiro Yamazaki 번역, "실용적인 시계열 분석: 통계 및 기계 학습을 사용한 예측", O'Reilly Japan, Ohmsha(2021)